PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.39172v2quant-ph

지문 인식을 위한 하이브리드 양자-고전 자기지도학습의 너비 일치 비교

A Width-Matched Comparison of Hybrid Quantum-Classical Self-Supervised Learning for Fingerprint Recognition

지문 인식은 널리 배포된 생체 인식 기술이지만, 지도학습(supervised training)에는 대규모의 라벨링된 등록 데이터셋이 필요합니다. 자기지도학습(SSL)은 이러한 요구 조건을 없애주며, 학습된 표현을 풍부하게 만들기 위해 하이브리드 양자-고전(hybrid quantum-classical) 모델이 제안되었습니다. 기존의 양자 SSL 연구들은 단일 대조 목적식(contrastive objective)만을 고려했기 때문에, 보고된 이점이 목적식에 따른 것인지 아니면 양자 회로에 기인한 것인지 불분명합니다. 본 연구에서는 대조 방식인 SimCLR 및 MoCo v2와 비대조 방식인 BYOL 등 세 가지 SSL 프레임워크에 QuFeX 양자 특징 추출 모듈을 삽입하고, 인코더 특징에 대한 k-최근접 이웃(k-nearest-neighbor) 식별을 사용하여 SOCOFing 지문 데이터셋 및 CIFAR-10 대조군에서 일치된 표현 너비(8 큐비트와 동일한 8개 특징)로 각 하이브리드 모델을 고전적 대응 모델과 비교합니다. 단일 실행 실험에서 하이브리드 모델은 두 대조 목적식 모두에서 분명히 더 높은 점수를 기록한 반면, BYOL의 경우 다중 시드(multi-seed) 분석에서 유의미한 차이가 나타나지 않아 어떠한 이점이든 SSL 목적식에 따라 달라짐을 시사합니다. 하드웨어 효율적인 회로(QNet)는 동일한 성능 향상을 보이지 않았습니다. 회로 아키텍처, 학습 가능한 매개변수 수, 비선형성 및 8-큐비트 회로의 고전적 시뮬레이션 가능성을 고려하여 이러한 성능 향상이 양자 회로에 기인한 것인지 검토합니다.

arXiv:2606.22029v1cs.CV

지문 융선 패턴의 위상 요약은 신원 정보를 담고 있다

Topological summaries of fingerprint ridge patterns carry identity information

지문은 가장 널리 배포된 생체 인식 방식이다. 두 인상이 동일한 손가락에서 온 것인지 검증하는 것은 일반적으로 미뉴티아(minutiae), 즉 피부 융선의 끝점과 분기점과 같은 작은 랜드마크에 의존한다. 이러한 랜드마크는 영상 강화, 스켈레톤화(skeletonization), 미뉴티아 검출, 정렬(alignment)으로 구성된 다단계 파이프라인을 통해 추출된다. 우리는 대안을 탐구한다: 미뉴티아 검출과 하류 매칭 파이프라인을 우회하여, 위상 데이터 분석(topological data analysis)을 사용해 피부 융선과 골의 전체 패턴을 직접 표현하는 방법이다. 우리는 공간적 척도(spatial scales)에 걸쳐 융선 패턴의 루프(loop)가 형성되고 채워지는 과정을 추적하는 위상 도구인 지속 호몰로지(persistent homology)를 적용하여, 융선 기하의 다중 척도 요약을 생성한다. 표준 벤치마크 데이터셋인 FVC2000 DB1에서 다양한 검증(verification) 방법을 개발하고 비교한다. 학습된 파라미터가 없는 가장 단순한 위상 요약조차도 기하학만 사용하는 기준선(baseline)을 크게 능가한다. 학습 기반 방법은 AUC 0.91을 달성하고, 최적 수송(optimal transport) 방법은 가장 엄격한 오수용(false-accept) 임계값에서 우수한 성능을 보여, 두 방법이 융선 패턴의 서로 다른 측면을 포착함을 시사한다. 이 두 접근법을 융합하면 우리가 검토한 모든 낮은 오수용 임계값에서 최고 성능을 달성한다. 우리의 결과는 이러한 위상 요약이 상당한 양의 지문 신원 정보를 포착하며, 원시 픽셀 수준 기하학에 비해 검증에 훨씬 더 효과적임을 입증한다. 전체 파이프라인이 공개적으로 명세되어 있기 때문에, 미뉴티아 기반 시스템에 대한 투명한 보완 수단을 제공하며, 위상 검증 방법의 구축, 평가, 결합을 위한 모듈형 프레임워크를 제공한다.

arXiv:2606.17436v1cs.CV

UoU: 대규모 비지도 학습에 기반한 범용 지문 기초 모델

UoU: A Universal Fingerprint Foundation Model Based on Large-Scale Unsupervised Learning

지문 인식은 여전히 작업 특화 파이프라인이 주도하는 분야로, 향상, 구조 분석, 정렬, 매칭이 개별적으로 최적화됩니다. 제한된 환경에서는 효과적이지만, 이러한 설계는 센서, 품질, 다운스트림(downstream) 애플리케이션 전반에 걸친 표현(representation) 재사용을 제한합니다. 따라서 우리는 UoU를 제시합니다. 이는 "대규모 비지도 학습에 기반한 범용 지문 기초 모델"의 약자로, 지문 특징 추출을 도메인 특화 기초 모델 문제로 재정의합니다. UoU는 이미지 복원, 구조적 필드, 시맨틱 토큰(semantic tokens), 포인트 레벨 생체 인식 엔티티(entities), 그리고 압축된 글로벌 디스크립터(descriptors)를 아우르는 다중 레벨 표현 계층 구조를 중심으로 구성됩니다. 학습 방식은 정밀한 주석에 대한 지도 학습 콜드 스타트(cold start), 대규모 약한 지도(weakly supervised) 정제, 대규모 비지도 통합을 결합하며, 대규모 학습 과정에서 후자의 두 단계를 반복하여 약한 지도는 시맨틱(semantic) 범위를 확장하고 비지도 학습은 대응 관계(correspondences), 불변성(invariances), 표현(representation) 기하학을 안정화합니다. 지문 이미지를 일반적인 텍스처(texture)로 취급하는 대신, UoU는 방향 흐름(orientation flow), 주기적 융선(ridge) 패턴, 희소 생체 인식 엔티티(entities), 공간적 등변성(equivariance)을 포함하는 도메인 특화 대칭성과 중간 구조를 활용합니다. 이 프레임워크는 의도적으로 아키텍처에 구애받지 않도록(architecture-agnostic) 설계되었습니다. 본 연구는 초기 트랜스포머(transformer) 기반 구조적 예측(structured-prediction) 구현(instantiation)을 포함하지만, 더 넓은 설계는 멀티태스크 학습, 확장 가능한 모델 구성, 그리고 매칭, 정렬, 향상, 정합(registration) 및 관련 지문 애플리케이션을 위한 다운스트림(downstream) 특화를 지원합니다. 본 논문은 UoU의 기술적 동기, 시스템 설계, 검증 프로토콜을 제시하며, 기준선(baseline) 구현의 일부는 https://github.com/XiongjunGuan/UoU에서 공개적으로 제공됩니다.